Datendrift
Die Kurzantwort · 13 Wörter
Kurz erklärt
Data Drift bezeichnet eine Veränderung der Verteilung von Eingabedaten gegenüber einer festgelegten Referenz.
Flow-alerta.cab (2026): Datendrift. https://flow-alerta.cab/glossar/data-drift. Redaktionell geprüft am: 10. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Drift-Monitoring kann früh auf veränderte Kunden, Prozesse, Sensoren oder Erfassungssysteme hinweisen. Es hilft, Prüfungen und gegebenenfalls Nachtraining risikobasiert auszulösen.
Nach einer Sortimentsumstellung verschiebt sich die Verteilung von Warenkorbwerten und Produktkategorien gegenüber den Trainingsdaten eines Prognosemodells.
Unternehmen überwachen geschäftskritische Merkmale, dokumentieren Referenzzeiträume und definieren Reaktionen. KMU sollten mit wenigen erklärbaren Signalen und einem manuellen Prüfprozess beginnen.
Auf einen Blick
- Kern
- Bei Data Drift verändert sich die statistische Verteilung von Merkmalen P(X) zwischen Referenz- und Betriebsdaten. Sie ist von Concept Drift, also einer Änderung von P(Y|X), von Label Drift und von Training-Serving Skew zu unterscheiden. Drift ist ein Prüfhinweis und nicht automatisch ein Leistungsabfall.
- Nutzen
- Drift-Monitoring kann früh auf veränderte Kunden, Prozesse, Sensoren oder Erfassungssysteme hinweisen. Es hilft, Prüfungen und gegebenenfalls Nachtraining risikobasiert auszulösen.
- Beispiel
- Nach einer Sortimentsumstellung verschiebt sich die Verteilung von Warenkorbwerten und Produktkategorien gegenüber den Trainingsdaten eines Prognosemodells.
- Grenzen
- Jede statistische Abweichung als Fehler behandeln, ungeeignete Schwellen setzen oder nur Einzelmerkmale beobachten. Saisonale Änderungen, Datenqualitätsfehler und echte Concept Drift müssen separat bewertet werden.
Im Zusammenhang
Fragen, die dazu gestellt werden
Ist Drift gleich schlechte Modellqualität?
Nein.
Wie reagiert man?
Ursache und Leistungskennzahlen prüfen, dann Daten, Modell oder Prozess anpassen.
Was ist Training-Serving Skew?
Ein Unterschied zwischen Trainings- und Produktionsdaten durch Erzeugungs- oder Pipelineabweichungen.
Alle Details und Hintergründe
Bei Data Drift verändert sich die statistische Verteilung von Merkmalen P(X) zwischen Referenz- und Betriebsdaten. Sie ist von Concept Drift, also einer Änderung von P(Y|X), von Label Drift und von Training-Serving Skew zu unterscheiden. Drift ist ein Prüfhinweis und nicht automatisch ein Leistungsabfall.
ELI5 – Einfach erklärt
Ein Modell wurde mit einer bestimmten Mischung von Fällen gelernt. Wenn neue Fälle deutlich anders zusammengesetzt sind, sollte man prüfen, ob es noch zuverlässig arbeitet.
Warum das im Alltag wichtig ist
Drift-Monitoring kann früh auf veränderte Kunden, Prozesse, Sensoren oder Erfassungssysteme hinweisen. Es hilft, Prüfungen und gegebenenfalls Nachtraining risikobasiert auszulösen.
Beispiel
Nach einer Sortimentsumstellung verschiebt sich die Verteilung von Warenkorbwerten und Produktkategorien gegenüber den Trainingsdaten eines Prognosemodells.
Fallstricke und Grenzen
- Jede statistische Abweichung als Fehler behandeln, ungeeignete Schwellen setzen oder nur Einzelmerkmale beobachten. Saisonale Änderungen, Datenqualitätsfehler und echte Concept Drift müssen separat bewertet werden.
Entstehung & Geschichte
Mit dem Betrieb von ML-Modellen entstand Model Monitoring als eigene Disziplin. Verfahren vergleichen Referenz- und Produktionsverteilungen beispielsweise über Distanzmaße und Schwellenwerte.
Anwendung im Mittelstand
- Unternehmen überwachen geschäftskritische Merkmale, dokumentieren Referenzzeiträume und definieren Reaktionen. KMU sollten mit wenigen erklärbaren Signalen und einem manuellen Prüfprozess beginnen.
Verwandte Begriffe
- Concept Drift
- Model Monitoring
- Training-Serving Skew
- Datenqualität
- MLOps
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Qualitätssicherung: Referenzdaten, Drift-Kennzahlen, Warnschwellen und überprüfbare Reaktionsprozesse für produktive Modelle einrichten.Passendes Tool / Use Case
Praxisbeispiele ansehenVertex AI Model Monitoring oder BigQuery ML; Use Case: Überwachung von Eingabeverteilungen eines Nachfrage- oder Risikomodells.Quellen
- docs.cloud.google.comGoogle Cloud, „Einführung in Modell-Monitoring“ (Abruf 04.10.2026)
Quellenprüfung: 10.10.2026. Definition und dokumentierte Einordnung abgeglichen; Beispiele beschreiben mögliche Anwendungen.
Redaktionell geprüft am: